فی گوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فی گوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

پروژه کامپیوتر در باره الگوریتم های ژنتیک. doc

اختصاصی از فی گوو پروژه کامپیوتر در باره الگوریتم های ژنتیک. doc دانلود با لینک مستقیم و پر سرعت .

پروژه کامپیوتر در باره الگوریتم های ژنتیک. doc


پروژه کامپیوتر در باره الگوریتم های ژنتیک. doc

 

 

 

 

نوع فایل: word

قابل ویرایش 92 صفحه

 

مقدمه:

char les darvin تئوری سیر تکاملی طبیعی مبدا بشر را توضیح داد.در طبیعت یک فرد از جمعیت برای بدست آوردن منابعی مانند غذا، پناهگاه و چیزهای دیگر با دیگران رقابت می کند. همچنین افراد برای به دست آوردن و اختیار کردن همسر برای تولید مثل با هم رقابت می کنند و افراد شایسته یک جمعیت بزرگی از فرزندان را تولید می کنند.

در طول تولید نسل مشخصات خوب از هر جد می تواند فرزندان بهتری نسبت به والدین را تولید کند که fitness شان بزرگتر از ولدین است. در سال 1975 جان هالند توسعه داد این نظریه را او چگونگی بکارگیری اصول تکاملی طبیعی را برای  بهینه سازی مسائل و ساخت اولین الگوریتم ژنتیک توضیح داد.

تئوری هالند مجددا توسعه داده شد و اکنون الگوریتم های ژنتیک به عنوان یک ابزار قوی برای حل مسائل بهینه سازی و جستجو به کار می روند.الگوریتم های ژنتیک مبتنی بز قانون علم وراثت و تکامل هستند.

الگوریتم های ژنتیک یک نمونه از تکنولوژی ریاضات  هستند که با تقلید از سیر تکاملی یک چیز می توانند مسائل را حل کنند.

منشاء بشر بر مبنای حفظ گونه ها و تغییرات مطلوب و رد گونه های نا مطلوب بوده است. افراد زیادی  تولد یافته اند که می توانند زنده بمانند همچنین کشمکش های مداوم برای زندگی وجود دارد. افراد شانس بزرگی برای زنده ماندن دارند  آن هم بقای شایستگی است.

 

فهرست مطالب:

 

1 – مقدمه

 1-1 تاریخچه

1-1-1- سلول

 1-1-2- کروموزوم

 1- 2- الگوریتم ژنتیک چیست؟

1-2-1- فضای جستجو

1-2-2- الگوریتم ژنتیک و تکامل

1-3- مزایا و محدودیت های الگوریتم ژنتیک

1-4- کاربردهای الگوریتم ژنتیک

2- اصطلاحات و عملگرهای الگوریتم ژنتیک

 2-1- عناصر اصلی

 2-2- افراد

 2-3- ژن

 2-4-fitness (شایستگی)

 2-5- جمعیت

 2-6- کدگذاری

2-6-1- Binary Encoding (کدگذاری باینری)

2-6-2- Octal Encoding (کدگذاری مبنی 8)

2-6-3-Hexadecimal Encoding(کدگذاری مبنای 16)

2-6-4- کدگذاری جایگشتی (کدگذاری اعداد حقیقی)

 2-6-5- Value Encoding

2-6-6- Tree Encoding

2-7- (تولید نسل) Breeding

2-7-1- انتخاب (selection)

2-7-2- crossover

2-7-3- mutation

2-7-4-جایگذاری Replacement

2-7- ) Search Termination(Convergence Criteri) پایان جستجو (معیارهای همگرایی)

 2 -8- الگوریتم ژنتیک چگونه کار می کند

Building Block Hypothesis 2-8-1-

A Macro-Mutation Hypothesis2-8-2-

An Adaptive Mutation Hypothesis2-8-3-

The Schema Theorem 2 -8-4-

Implicit Parallelism 2 -8-5-

2-9- نمونه مثال هایی در باره الگوریتم ژنتیک

 2-9-1- ماکزیمم مقدار تابعX

 2-9-2- مسئله فروشنده دوره گرد (TSP)

3- دسته بندی الگوریتم ژنتیک

3-1- Simple Genetic Algorithm (SGA)

3-2- Parallel and Distributed Genetic Algorithm (PGA and DGA)40

3-2-1- Master-Slave Parallelization

3-2-2- Fine Grained Parallel GAs (Cellular GAs)

3-2-3- Multiple-Deme Parallel GAs (Distributed GAs or Coars Grained GAs)

3-2-4- Hierarchical Parallel Algorithms

3-3- Hybrid Genetic Algorithm (HGA)

3-4- Adaptive Genetic Algorithm (AGA)

3-5- Fast Messy Genetic Algorithm (FmGA)

4- پیاده سازی الگوریتم ژنتیک با استفاده از MATLAB

4-1- ساختمان داده

4-2- کروموزوم

4-3- کاربر گرافیکی الگوریتم ژنتیک مشترک با Toolbox

 5- کاربرد های الگوریتم ژنتیک

5-1- الگوریتم ژنتیک در دنیای کامپیوتر

5-2 نکات مهم در الگوریتم های ژنتیک

5-3 فناوری الگوریتم ژنتیک

5-4 مروری بر کاربردهای تجاری

5-5 بانکداری و حوزه های مالی

5-6 پیش بینی

5 -7 سایر حوزه های تجاری

6- منابعو مأخذ

 

منابع و مأخذ:

  1. Dawkins, R. (1989). The Selfish Gene - New Ed. Oxford University Press, Great Britain.
  2. Fraser, A. P. (1994). Genetic Programming in C++. Technical report 040, University of
  3. Salford.
  4. Goldberg, D. E. & Smith, R. E. (1987) Nonstationary Function Optimization using Genetic

Algorithms with Diploidy and Dominance. In J.J Grefenstette, editor, Proceedings of the Second

International Conference on Genetic Algorithms, 59–68. Lawrence Erlbaum Associates.

  1. Hadad B. S. & Eick C. F. (1997) Supporting Polyploidy in Genetic Algorithms Using Dominance
  2. In P.J. Angeline et al. (eds.), Proceedings of the Sixth International Conference

on Evolutionary Programming, 223–234. Berlin: Springer-Verlag.

5- مهندس لطفی. پردازش تکاملی.دانشگاه آزاد شبستر2008

6- سایت های اینترنت


دانلود با لینک مستقیم


پروژه کامپیوتر در باره الگوریتم های ژنتیک. doc

پروژه مسیریابی در شبکه های (NOC). doc

اختصاصی از فی گوو پروژه مسیریابی در شبکه های (NOC). doc دانلود با لینک مستقیم و پر سرعت .

پروژه مسیریابی در شبکه های (NOC). doc


پروژه مسیریابی در شبکه های (NOC). doc

 

 

 

 

نوع فایل: word

قابل ویرایش 85 صفحه

 

مقدمه:

مسیریابی و مسیرهای اولویت دار

در این فصل، طرح خودمان را برای مسیرهای اولویت دار  با درنگ کم و منطق مسیریابی شبکه ارائه می دهیم. در بخش 1.1 ، توضیح پیام رسانی مشتاق [6 و 1] و عمل آن را به عنوان طراحی اصلی شروع می کنیم. در بخش 1.2 به مسیرهای اولویت دار  در شبکه خود پیش می رویم. در بخش 1.3 فرمت بسته و منطق مسیریابی شبکه را ارائه می دهیم. سپس شروع به بحث بن بست آزادی NOC در بخش 1.4 می کنیم. بعد از اینکه مانیسم پیکر بندی دوباره زمان اجرا را در بخش 1.5 ارائه کردیم، در نهایت، در بخش 1.6 مکانیسم

 

فهرست مطالب:

فصل اول :  مسیریابی و مسیرهای اولویت دار

پیام رسانی مشتاق (Mod- Postman)

مسیرهای اولویت دار

مسیریابی

فرمت بسته

منطق مسیریابی

فلیت های تکراری

انشعاب مسیریابی تطبیقی (پویا )

بن بست-آزاد

پیکربندی مجدد مسیر اولویت دار

فشار متقابل

فصل دوم : توپولوژی و معماری سوییچ

  1. 1 معماری سوییچ
  2. 1.1 اجرای منطق مسیریابی
  3. 1.2 کانال های مجازی
  4. 2 توپولوژی شبکه
  5. 2.1 رابط های شبکه

فصل سوم : استراتژی مسیر یابی با ضمانت تحویل بسته صحیح و قدرت تحمل

نقص برای تراشه های روی شبکه

  1. 1 .مقدمه
  2. 2 مسیر یابی با تحویل مرتب
  3. 3 تفکیک ترافیک چند مسیره
  4. 4 اضافه کردن پشتیبانی قدرت تحمل نقص
  5. 5 نتایج شبیه سازی
  6. 5.1 مقایسه با مسیریابی تک مسیره
  7. 5.2 تاثیر پشتیبانی تحمل خطا

فصل چهارم : مسیریابی  چند مسیره برایNOC  مبتنی بر شبکه یا توروس

  1. 1 مقدمه
  2. 2 مقدمات
  3. 2.1 مدلهای کانال و گره
  4. 2.2 مدلهای انتقال
  5. 3 طرح مسیر یابی چند مسیره
  6. 3.1 بعد اولویتی
  7. 3.2 عملیات در گره منبع
  8. 3.3 عملیات در گره های میانی
  9. 4 بلوک بندی نکردن
  10. 5 تحلیل افزایش عملکرد
  11. 5.1 تحلیل مدل های Hm,Fm با منبع واحد
  12. 5.2 بررسی با گره های منبع متعدد
  13. 6 نتیجه گیری

دانلود با لینک مستقیم


پروژه مسیریابی در شبکه های (NOC). doc

پروژه شبکه های عصبی و پردازش تصویر. doc

اختصاصی از فی گوو پروژه شبکه های عصبی و پردازش تصویر. doc دانلود با لینک مستقیم و پر سرعت .

پروژه شبکه های عصبی و پردازش تصویر. doc


پروژه شبکه های عصبی و پردازش تصویر. doc

 

 

 

 

نوع فایل: word

قابل ویرایش 136 صفحه

 

چکیده:

موضوعی که در این مقاله مورد بررسی قرار گرفته شبکه های عصبی است ، که شامل موضوعاتی از قبیل شبکه عصبی چیست ، چرا ازشبکه های عصبی استفاده کنیم ، شامل چه مواردی است ، ازچه بخش هایی تشکیل شده ،چه کاربردی دارد و اینکه چگونه کار می کند ، می باشد.از آنجا که شبکه های عصبی نسل جدیدی از شبکه می باشد لذا دارای دنیایی از اطلاعات جدید در زمینه شبکه و علم آن است.از جمله نتایج ارزشمند این مقاله می توان به آشنایی با شبکه عصبی و طریقه کار آن ، که پایه و مقدمه ای برای آشنایی هر چه بیشتر با این علم جدید می باشد.

امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو، مسائل دسته‌بندی و کنترل به کار می‌روند. در کنترل یا مدل‌سازی سیستم‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند شبکه عصبی خود تابع کنترل را یاد خواهد گرفت. در حال حاضر تعداد بسیار زیادی از انواع مختلف شبکه‌های عصبی مصنوعی وجود دارند که به صورت خلاصه عبارتند از: شبکه‌های پرسپترون چند لایه ، کوهونن، هاپفیلد... که این شبکه‌ها نیز خود با روش‌های مختلفی آموزش می‌بینند. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد.

ما در اینجا پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه پرسپترون ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

واژه های کلیدی: شیکه های عصبی،نرون ها ، پرسپترون ، پردازش چهره و تصویر

 

مقدمه:

1-1-1شبکه عصبی چیست؟

شبکه های عصبی مصنوعی الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کند که به این عمل یادگیری می گویند. اصولاً توانایی یادگیری مهمترین ویژگی یک سیستم هوشمند است. سیستمی که بتواند یاد بگیرد منعطف تر است وساده تر برنامه ریزی می شود، بنابراین بهتر میتواند در مورد مسایل و معادلات جدید پاسخگو باشد.

شبکه های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می.کنند. شبکه از تعداد زیادی سلول های عصبی تشکیل شده با پردازشی بسیار بزرگ و به هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.

یادگیری شبکه های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه ریزی نشده اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.

شبکه های عصبی مصنوعی یک ترکیبی از مجموعه نرون هاست و البته نرونهای مصنوعی ای که بسیار شبیه به نرونهای زیستی کار می کنند. و بدین گونه است که ورودی های زیادی با وزنهای مختلف می گیرد و یک خروجی که به ورودی وابسته است تولید می کند. نرونهای زیستی می توانند در حال برانگیزش باشند یا نباشند)وقتی یک نرون برانگیخته می شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است. (

شبکه های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می باشد وکمترین تفاوت را با ورودی دارد انتخاب می کند. این روال عموما فراخوانی می شود.

مثال:

وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده اند و وقتی ورودی های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.

شناسایی الگوهای پیچیده سطح بالا می تواند به وسیله شبکه ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه های عصبی مصنوعی گذاشتند. اکنون شبکه های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی تواند به طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه های عمومی که برای شناسایی الگوها استفاده می شوند Feed-Forward نامیده می شدند زیرا آنها یک بازخورد  داشته و به طور ساده ورودی ها را با خروجی ها می آمیختند. اما این شناسایی الگوها به تدریج کاملتر شده به طوری که بر روی کامپیوترهای عمومی با سیستم خاص خودشان به سختی انجام می شده پس برای شناسایی الگوها شبکه های Feed-Forward کافی نبودند.

در شبکه های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه های عصبی نمی توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت انگیزی خواهند داشت.

 

فهرست مطالب:

چکیده

فصل اول

1-1مقدمه ای بر شبکه های عصبی

1-1-1شبکه عصبی چیست؟

1-1-2 ساختار شبکه های عصبی

1-1-3 کاربردهای شبکه های عصبی مصنوعی (ANN)

1-1-5 قوانین برانگیختگی

1-1-6 شبکه عصبی مصنوعی ساده

1-1-7 شبکه های عصبی بر مبنای روش آموزش

حافظه‌های تناظری

1-1-8 مزایای شبکه‌های عصبی

1-1-9 کاربرد شبکه های عصبی

1-1-10 معایب ANN ها

1-2 نورون مصنوعی

1-3 نرون پیچیده تر

1-4 نرون ساده

1-5 پرسپترون

1-5-1پرسپترون های ساده

1-5-2قدرت پرسپترون

1-5-3دنباله های پرسپترون

1-5-4 یادگیری یک پرسپترون

فصل دوم

2-1 آشنایی با مفاهیم اولیه در پردازش تصویر

پردازش تصویر چیست ؟

2-1-1 پردازش تصاویر

2-1-2 کاربردهای پردازش تصویر

کاربرد های پردازش تصویر در حمل و نقل

2-1-3 مقدمه پردازش تصویر

در یافت تصویر ورودی

پیش پردازش تصویر

پردازش تصویر

آنالیز تصویر

2-1-4 تصویر دیجیتالی

تصویر دیجیتالی چیست ؟

2-1-5 مفاهیم اولیه در پردازش تصویر

2-1-5-1 مفهوم پیکسل در پردازش تصویر

2-1-5-2 مفهوم عمق بیتی

2-1-5-3 مفهوم بعد یک تصویر

اندازۀ واقعی تصویر ندارند.

2-1-5-4 چگونگی تشکیل رنگ در چشم انسان

2-2 پردازش تصاویر رنگی

2-3 انواع مدل رنگ

2-3-1 مدل رنگ RGB

2-3-2 مدل رنگ CMY

2-3-3 مدل رنگ YIQ

2-3-4 مدل رنگ HIS

2-4 انواع پردازش تصویر

برای پردازش تصویر روش های مختلفی وجود دارد که 4 روش از آنها را مورد بررسی قرار می دهیم.

2-4-1    پردازش نقطه ای

2-4-2    پردازش سطحی

2-4-3 پردازش هندسی

2-4-4    پردازش قاب

2-5 RayTracing

نحوه عملکرد       

کاربردها

2-6 ارزش پیکسل

2-7 اتصالات پیکسل ها در تصاویر

2-8 درون‌یابی     

2-8-1 Nearest Neighbor Interpolation

2-8-2 Bilinear Interpolation

2-8-3 Bicubic Interpolation

2-8-4 Fractal Interpolation

2-9 انواع تصویر

 2-9-1 تصاویر دودوئی (Binary)

2-9-2 تصاویر grayscale

2-9-3 تصاویر RGB

2-9-4 خاکستری (Grayscale) کردن تصویر

2-10 تفریق دو تصویر

2-11 جمع دو تصویر

2-12 مکمل کردن تصویر

2-13 میانگین گیری از تصویر

2-14 هیستوگرام تصویر

2-15 تعدیل هیستوگرام

2-16 فشرده‌سازی تصاویر   

2-16-1 روش JPEG

2-16-2 روش MPEG

 2-16-3 روش MP3        

2-16-4 روش MPEG2     

2-16-5 روش MPEG4     

روش توانایی جبران خطا و ارائه تصویر با کیفیت بالا را دارد. مسئله خطا و جبران آن در مورد

2-17 تصاویر آنالوگ

منابع

 

منابع و مأخذ:

[1]Richard E. Woods Rafael C. Gonzalez  Digital Image Processing

[2]Simon Hayek Neural Networks: A Comprehensive Foundation

[3] Gabor Szedo, Color-Space Converter: RGB to YCrCb, August 27, 2007

[4] Wenmiao Lu and Shaohua Sun,Face Detection in Color Images, Department of Electrical Engineering Stanford University, 2003

[5] Scott Tan Yeh Ping (yptan@stanford.edu),(etc), FACE DETECTION THROUGH TEMPLATE MATCHING AND COLOR SEGMENTATION, 2003

[6]Cheryl Lam,(etc), Face Detection, 2003

[7]Angela Chau,(etc), The Detection of Faces in Color Images,Dept. of Electrical Engineering Stanford University.Stanford, CA 94305, , 2003

[8] Siddharth Joshi,(etc),Digital Image Processing FACE DETECTION, 2003

 [9 ] Michael Bax,(etc), FACE DETECTION AND GENDER RECOGNITION, , 2003

[10] Peter Brende,(etc), Face Detection, 2003

[11] Ping Hsin Lee, Face Detection, 2003

[12] Diedrick Marius,(etc), Face Detection Using Color Thresholding, and Eigenimage Template Matching Digital Image Processing Project, 2003

[13] Michael Padilla and Zihong Fan, Automatic Face Detection Using Color Based Segmentation and Template/Energy Thresholding, Department of Electrical Engineering Stanford University, 2003

[14] Scott Leahy, Face Detection on Similar Color Photographs, Digital Image Processing Stanford University, 2003

[15] Science and Network Security, IJCSNS International Journal of Computer , VOL.9 No.2, February 2009

[16] Kim, Jin Hyun, Robust Face Detection, 2003

[17] Robust Face Detection , Centre for Multimedia Signal Processing Department of Electronic and Information Engineering DigitalImageProcessing-Gonzalez, Hong KongThe Hong Kong Polytechnic University,2008

[18] Henry A. Rowley Shumeet Baluja Takeo Kanade, Human Face Detection in Visual Scenes, CMU-CS-95-158R School of Computer Science Carnegie Mellon University Pittsburgh, PA 15213,2009

[19] Bernd Heisele,(etc), Component-based Face Detection, Center for Biological and Computational Learning, M.I.T., Cambridge, MA, USA

[20] Honda R&D Americas, Inc., Boston, MA, USA Department of Information Engineering, University of Siena, Siena, Italy,2007

[21] H. Beigy and M. R. Meybodi, “Optimization of topology of neural networks using learning automata.” Proc. of 4th Annual Int. Computer Society of Iran Computer Conf. CICC-98, Tehran, Iran, PP. 417- 428(In Persian), 1999.

[22] H. Beigy and M. R. Meybodi, “A learning automata based algorithm for determination of optimal number of hidden units in three layers feedforward neural networks.” Journal of Amirkabir, Tehran, Iran (In Persian), 1999.

[23] M. R. Meybodi and H. Beigy, “Neural Network engineering using learning automata: determination of desired size for three layer feedforward neural network.” Technical Reports, Computer Eng. Dept. Amirkabir University of Technology, Tehran, Iran (In Persian), 1999.

[24] Webb, R. Andrew, “Statistical Pattern Recognition,” John Wiley & Sons , 2nd Edition, July 2002. [25] G. A. Carpenter and S. Grossberg, “A massively parallel architecture for a self-organizing neural pattern recognition machine.” Computer Vision, Graphics and Image Processing, 37:54-115, 1987.

[26] G. A. Carpenter, S. Grossberg, and D. B. Rosen, “ART 2-A: An adaptive resonance algorithm for rapid category learning and recognition,” Neural Networks, vol. 4, pp. 493–504, 1991.

[27]DEAN G. PURCELL The face-detection effect: Configuration enhances detection Oakland University, Rochester Hills, Michigan,2003

[28] ALAN L. STEWART, The face-detection effect: Configuration enhances detection Stevens Institute of Technology, Hoboken, New Jersey,2003

[29] Chin-Chuan Han,(etc), Fast Face Detection via Morphology-based Preprocessing, Institute of Information Science, Academia Sinica, Nankang, Taipei, Taiwan, Institute of Computer Science and Information Engineering, National Central University, Chung-Li, Taiwan ,Department of Computer Science and Information Engineering, Fu Jen University, Taiwan,2003

[30] International Journal of Computer Vision 57(2), 137–154, 2004 c_ Kluwer Academic Publishers. Manufactured in The Netherlands.,2004

[31]MICHAEL J. JONES, Robust Real-Time Face Detection Mitsubishi Electric Research Laboratory, 201 Broadway, Cambridge, MA 02139, USA Received September 10, 2001; Revised July 10, 2003; Accepted July 11, 2003

[32] Henry A. Rowley,(etc), Neural Network-Based Face Detection, Copyright 1998 IEEE

[33] A Survey Ming-Hsuan Yang, Member, IEEE,(etc), Detecting Faces in Images IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE  INTELLIGENCE, VOL. 24, NO. 1, JANUARY 2002

[34] Black, M., & Yacoob, Y. (1995). Tracking and recognizing rigid and nonrigid facial motions using local parametric models of image motion. Proceedings of IEEE Fifth International Conference on Computer  Vision, 374–381.

[35] Black, M., & Yacoob, Y. (1997). Recognizing facial expressions in image sequences using local parameterized models of image motion. International Journal of Computer Vision, 25, 23–48.

[36] Rosenblum, M., Yacoob, Y., & Davis, L. S. (1996). Human expression recognition from motion using a radial basis function network architecture. IEEE Transactions on Neural Networks, 7, 1121–1138.

[37] Matsugu, M., Mori, K., Ishii, M., & Mitarai, Y. (2002). Convolutional spiking neural network model for robust face detection. Proceedings of the Ninth International Conference on Neural Information Processing, Singapore, 660–664.

[38] Fukushima, K. (1980). Neocognitron: a self-organizing neural networks for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36, 193–202.

[39] Fasel, B. (2002). Robust face analysis using convolutional neural networks. Proceedings of International Conference on Pattern.

[40] http:// bias.csr.unibo.it/ FVC2000 and FVC2002/ databases.asp

[41] Terrillon J C, Shirazi M N, Fukamachi H et al, "Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human face in color images" , Proc Conference on automatic Face and Gesture Recognition, Grenoble, France, 2000, pp. 54-61.

[42] K. Sung and T. Poggio, "Example-based Learning for View – based Human Face Detection" , A. I. Memo 1521, MIT A. I. Lab., December 1994.

[43] R. L. Hsu , M. Abdel-Mottaleb and A.K. Jain , "Face detection in color images",IEEE Trans. Pattern Anal. Machine Intelligence, Vol. 24, No. 5 , pp. 696-706, May 2002.

[44] Erik H, Boon K L, "Face detection: A survey", Computer Vision and Image Understanding , 2001, 83(3), pp.236-274.

[45] Liang Lu-Hong, Aihai-Zhou, et al, "A Survey of Human Face Detection", Chinese Journal of Computer,2002,25(5), pp. 449-458.

[46] Osuna E, Freund R, "Training Support Vector Machines: an Application to Face Detection", Proceedings of the Computer Vision and Pattern Recognition, Puerto Rico, 1997, pp. 130-136.


دانلود با لینک مستقیم


پروژه شبکه های عصبی و پردازش تصویر. doc

پروژه بررسی برخی از تکنیک های حل مسئله کوله پشتی. doc

اختصاصی از فی گوو پروژه بررسی برخی از تکنیک های حل مسئله کوله پشتی. doc دانلود با لینک مستقیم و پر سرعت .

پروژه بررسی برخی از تکنیک های حل مسئله کوله پشتی. doc


پروژه بررسی برخی از تکنیک های حل مسئله کوله پشتی. doc

 

 

 

 

نوع فایل: word

قابل ویرایش 91 صفحه

 

چکیده:

در حل مسائل همیشه دنبال راه حل هایی بوده ایم که بتوانند کارایی بهتری داشته باشد . یعنی راه حل بتواند در زمان کمتر پاسخ مناسب تری ارائه دهد . علت بیان کلمه ی مناسب تر اینست که در حل بعضی مسائل نیاز به پاسخ دقیق داریم که تعداد این مسائل نسبت به مسائلی که در آنها نیاز به مجموعه ی جوابها که می توان گفت پاسخ بهینه است ، کمتر است .

 وقتی می خواهیم روی مجموعه ای بررسی انجام دهیم یا در سطوح بالای الگوریتم با مسائلی کار می کنیم که یک پاسخ قطعی ندارند ، برای همین همانند مسائل ریاضی نمی توان یک راه حل مطلق ارائه کرد . در اینگونه مسائل روبه مسائل بهینه سازی می آوریم ، تا بتوانیم راه حل مناسب و بهینه ارائه کنیم .

 با نگاهی به طبیعت اطرافمان متوجه می شویم که روشهای استفاده شده در طبیعت بهینه ترین نوع راه حل هاست . بنابراین اگر از سیستم طبیعت بتوانیم در حل مسائل مشابه استفاده کنیم ، بهینه ترین راه حل را ارائه داده ایم .

 الگوریتم ژنتیک با یک پشتوانه ی قوی که از ژنتیک طبیعی بدن تقلید شده اند می توانند در حل مسائلی که مجموعه هدف ما ، بسیار بزرگ است و همچنین حالت پراکندگی دارد ، بسیار مفید باشد . فرض کنید که در یک مجموعه هدف که اعضای آن را پستی و بلندی های یک رشته کوه تشکیل داده است می خواهیم نقطه مینیمم را بیابیم . در اینحالت به علت بزرگی مجموعه هدف و همچنین کم بودن سطح اختلاف بین مجموعه های متناظر و زیاد بودن تعداد این مجموعه ها ، اگر بخواهیم این عملیات را با روشهای رایج انجام دهیم ، مثلا بخواهیم بصورت ترتیبی آنها را مورد بررسی قرار دهیم ، ممکن است هزینه این کار آنقدر زیاد شود که از انجام آن منصرف شویم .

 طبق نظریه ی تکاملی داروین و یا همان اصل بقا ء اصلح در بین ژنهای یک کروموزوم ، ژنی که برتری بیشتری نسبت به بقیه داشته باشد ، در چرخه تولید مثل حفظ شده و ژنی که ضعیف باشد از بین می رود . در اینحالت نسلهای جدید رفته رفته بهبود یافته و ایرادهای نسل های قبلی ، در نسل جدید دیده نمی شود .

 در حل مسئله فوق بوسیله الگوریتم ژنتیک ، برتری ژن ، مینیمم بودن ارتفاع است و به علت اینکه در این مسئله ، مجموعه هدف بسیار بزرگ است و مطمئنا ، مقادیر نزدیک بهم است ، مطمئن هستیم که فرزند تولید شده در این مجموعه قرار دارد و همچنین طبق نظریه تکاملی داروین ، این مقدار جدید حتما به جواب نزدیکتر است و به احتمال زیاد مقادیر تولید شده در چرخه های تولید مثل در مجموعه جواب نخواهد بود و بین کل مجموعه پراکنده خواهد شد پس عملا داریم نقاطی از قسمتهای مختلف را انتخاب و با هم مقایسه می کنیم .

 این الگوریتم ها در حل مسئله با در نظر داشتن اصل بقا اصلح و انتخاب تصادفی جهت دار به این صورت عمل می کنند که بجای خود پارامترها از شکل کد بندی شده مناسبی استفاده می کنند و همچنین همیشه برای یافتن پاسخ بهینه عملیات خود را روی مجموعه ای از فضای جستجو اعمال می کنند . یک عامل دیگر که به الگوریتم ژنتیک برتری می دهد و ناشی از سیستم ژنتیک است ، استفاده از قوانین احتمال بجای قوانین ریاضی است .

 در بخش بعدی نیز یک الگوریتم تکرارشونده مبتنی بر اتوماتاهای یادگیر برای حل مساله کوله پشتی مطرح می شود. که در این الگوریتم، مساله کوله پشتی با یک گراف کامل مدل می شود که هر گره از گراف متناظر با یکی از کالاهاست. هر گره از گراف به یک اتوماتای یادگیر مجهز است که انتخاب یا عدم انتخاب کالای متناظر با گره برای قرار گرفتن در کوله پشتی را مشخص می کند. نتایج شبیه سازی ها نشان داده است که این الگوریتم در مقایسه با الگوریتم های موجود از کارایی بالاتری برخوردار است. نتایج شبیه سازی ها همچنین نشان داده است که این الگوریتم برای مسائل با اندازهای بزرگ دارای سرعت همگرایی بالایی می باشد.

 

مقدمه:

همیشه در برخورد با مسائل مختلف برای حل آنها شروع به طرح روشهای مختلف کرده ایم . از میان راه حلهای طرح شده اکثرا بهترین و قابل اطمینان ترین پاسخها را الگوریتم هایی تولید می کردند که براساس قوانین ریاضی پی ریزی شده بودند . امروزه با توجه به پیشرفتهای حاصله محدوده ی مطالعات بزرگتر و جزئیات پیچیده تر شده اند یا به عبارتی خواستار سرعت و دقت زیاد و در عین حال محدوده ی بزرگتر هستیم . طبیعی است که استفاده از قوانین محض ریاضی در حل چنین مسائل نیاز به محاسبات پیچیده ای دارد که شاید در بعضی موارد مقرون به صرفه نباشد . از این رو بدنبال روشهای دیگری هستیم که بتوانیم این نیاز را مرتفع سازیم با نگاهی به اطرافمان متوجه می شویم که در فرایندهای طبیعی مسایل قابل توجهی وجود دارد که شاید شبیه سازی فرایندها بتوانند تاثیر شایان ذکری را به همراه داشته باشد .

 

فهرست مطالب:

چکیده مطالب

فصل اول : مقدمه

 مقدمه

1-1بهینه سازی

1-2پیدا کردن بهترین راه حل

1-3تعریف مسئله کوله پشتی

1-3-1 مسئله کوله پشتی کسری

1-3-2 مسئله کوله پشتی صفر و یک

1-3-3 مسئله کوله پشتی چند بعدی

فصل دوم : حل مسئله کوله پشتی با استفاده از برنامه نویسی پویا ، روش حریصانه ، عقبگرد و شاخه و حد

2-1روش حریصانه در مقابل برنامه نویسی پویا : مسئله کوله پشتی

2-1-1روش حریصانه در حل مسئله کوله پشتی صفرویک

 2-1-2یک روش حریصانه برای مسئله کوله پشتی کسری

 2-1-3روش برنامه نویسی پویا برای مسئله کوله پشتی صفرویک

 2-1-4شکل بهتر الگوریتم برنامه نویسی پویا برای مسئله کوله پشتی صفرویک

2-2حل مسئله کوله پشتی با استفاده از روش عقبگرد

 2-2-1یک الگوریتم عقبگرد برای مسئله کوله پشتی صفرویک

2-2-2مقایسه الگوریتم برنامه نویسی پویا و الگوریتم عقبگرد برای مسئله کوله پشتی صفرویک

 2-3 راهبرد شاخه و حد

2-3-1تشریح روش شاخه و حد با مسئله کوله پشتی صفرویک

 2-3-1-1جست وجوی عرضی با هرس کردن شاخه و حد

 2-3-1-2 بهترین جست وجو با هرس کردن شاخه و حد

فصل سوم : تکنیک حل مسئله کوله پشتی با استفاده از الگوریتم ژنتیک

3-1 الگوریتم ژنتیک

 3-1-1 مفاهیم اولیه ژنتیک

 3-1-2 ایده ی اصلی

 3-1-3 الگوریتم ژنتیک (Genetic Algorithm_ GA) چیست؟

 3-1-4 ویژگی های الگوریتم ژنتیک

 3-1-5 اصول اساسی الگوریتم ژنتیک

 3-1-5-1 تعیین عدد برازندگی برای هر کروموزوم (دنباله ها)

3-1-5-2 مکانیزم انتخاب کروموزوم ها

 3-1-5-3 عملگرهای ژنتیکی که بر روی هر کروموزوم اعمال می شود

3-1-6 روند کلی اجرای الگوریتم ژنتیک

3-1-7 روشهای نمایش یا کد کردن مقادیر

3-1-7-1 روش کدگذاری مبنای دو (Binary Encoding)

3-1-7-2 روش کدگذاری جایگشتی (Permutation Encoding)

3-1-7-3 روش کدگذاری مقدار (Value Encoding)

3-1-7-4 روش کدگذاری درختی (Tree Encoding)

3-1-8 شبه کد

3-1-9 روشهای انتخاب در الگوریتم ژنتیک

 3-1-9-1 انتخاب Elitist

 3-1-9-2 انتخاب Roulette

 3-1-9-3 انتخاب Scaling

3-1-9-4 انتخاب Tournament

3-2 حل مسئله کوله پشتی با استفاده از الگوریتم ژنتیک

 3-2-1 رویکرد نمایش دودویی

 3-2-1-1 متد جریمه

 3-2-1-2 متد رمز گشایی

 3-2-2 رویکرد نمایش ترتیبی

 3-2-3 رویکرد نمایش با طول متغییر

فصل چهارم : تکنیک حل مسئله کوله پشتی با استفاده از آتوماتای یادگیرنده

4-1 آتوماتای یادگیرنده

4-1-1 آتوماتای یادگیر با ساختار ثابت (FSLA)

 4-1-1-1 آتوماتا با دو حالت (L2,2)

 4-1-1-2 آتوماتای Tsetline (L2N,2)

4-1-1-3 آتوماتای G2N,2

4-1-1-4 آتوماتای Krinsky

 4-1-1-5 آتوماتای Krylov

 4-1-2 آتوماتای یادگیر با ساختار متغییر (VSLA)

 4-1-3 آتوماتای یادگیر توزیع شده (DLA)

4-2 حل مسئله کوله پشتی با استفاده از آتوماتای یادگیرنده

 4-2-1 نتایج شبیه سازی های انجام شده

نتیجه گیری

دیکشنری

مراجع و منابع

 

منابع و مأخذ:

[1] Fraser, Alex S. (1957). "Simulation of Genetic Systems by Automatic Digital Computers. I. Introduction". Australian Journal of Biological Sciences 10: 484–491.

[2] Goldberg, David E (1989), Genetic Algorithms in Search, Optimization and Machine Learning, Kluwer Academic Publishers, Boston, MA.

[3] Goldberg, David E (2002), The Design of Innovation: Lessons from and for Competent Genetic Algorithms, Addison-Wesley, Reading, MA.

[4] Fogel, David B (2006), Evolutionary Computation: Toward a New Philosophy of Machine Intelligence, IEEE Press, Piscataway, NJ. Third Edition

[5] Schmitt, Lothar M (2004), Theory of Genetic Algorithms II: models for genetic operators over the string-tensor representation of populations and convergence to global optima for arbitrary fitness function under scaling, Theoretical Computer Science (310), pp. 181-231

 [6] Sutton, R. S., and Barto, A. G., Reinforcement learning: An introduction. MA: MIT Press, Cambridge, 1998.

[7] Thathachar, M. A. L., Sastry, P. S., Varieties of learning automata: An overview. IEEE Transactions on Systems, Man and Cybernetics – Part B: Cybernetics, 32, 6, 2002.

[8] Alaya, I., Solnon, Ch., and Ghedira, K., Ant algorithm for the multidimensional knapsack problem. Dans Proceedings of Iinternational Conference on Bioinspired Methods and their Applications, Slovenia, 2004.

[8] Beigy, H., Meybodi, M. R., "Utilizing Distributed Learning Automata to Solve Stochastic Shortest Path Problem" International Journal of Uncertainty, Fuzziness and Knowledge-based Systems, vol. 14, pp. 591-615, 2006.

[9] Beigy, H.,Meybodi, M. R., "A New Distributed Learning Automata for Solving Stochastic Shortest Path Problem," in International Joint Conference on Information Science, Durham, USA, 2002, pp. 339-343.

[10] H. Beigy, “Intelligent Channel Assignment in Cellular Networks: A Learning Automata Approach”, PhD Thesis, Computer Engineering Department, Amir Kabir University of Technology, Tehran, Iran, 2006.

[11] M. A. L. Thathachar and B. R. Harita, "Learning Automata with Changing Number of Actions", IEEE Transactions on Systems, Man, and Cybernetics, vol. SMG17, pp. 1095-1100, Nov. 1987.


دانلود با لینک مستقیم


پروژه بررسی برخی از تکنیک های حل مسئله کوله پشتی. doc

پروژه بررسی و تحلیل سیستم قطار شهری به روش (J2EE). doc

اختصاصی از فی گوو پروژه بررسی و تحلیل سیستم قطار شهری به روش (J2EE). doc دانلود با لینک مستقیم و پر سرعت .

پروژه بررسی و تحلیل سیستم قطار شهری به روش (J2EE). doc


پروژه بررسی و تحلیل سیستم قطار شهری به روش (J2EE). doc

 

 

 

 

نوع فایل: word

قابل ویرایش 58 صفحه

 

مقدمه:

درآغاز، هدف این پایاننامه، تحلیل سیستم حمل و نقل شهری تبریز( سیستم تاکسی رانی، اتوبوس رانی و قطارشهری) و سپس تعمیم آن به شهرهای دیگر بود که با در نظر گرفتن اینکه باید در چهارچوب درس سه واحدی پروژه پایان دوره کارشناسی، انجام می یافت، بسیار سنگین بود. پس بر آن شدیم که سیستم قطار شهری کلانشهر تبریز را که در حال ساخت است، مورد بررسی و تحلیل قرار دهیم.

این امر که سیستم مورد مطالعه در حال شکل گیری است، خود مشکلاتی به همراه داشت از جمله اینکه یک مکان و سیستم راه اندازی شده برای مطالعه و تحلیل وجود خارجی نداشت. از سوی دیگر هنوز چون خود پروژه قطار شهری با مراحل پایانی مدت زیادی فاصله دارد و نیز اینکه پروژه از سوی شرکتهای غیر بومی طراحی شده وهر یک از شرکتهای بومی طرف قرارداد نیز، فقط پیاده سازی قسمتی از پروژه را به عهده دارند، هیچ شرکت، مقام و یا مسوولی حتی در دفترهای شرکت مجری طرح، دید کافی و اطلاعات جامع از پروژه نداشتند.

با توجه به مشکلات مذکور، تحلیل حاضر به شبیه سازی سیستم قطار شهری اختصاص یافته است.

به دلیل تواناییهای روز افزون J2EE Method و نیز امکان پیاده سازی آن در JAVA Platforms در این تحلیل از این روش استفاده شده است.

ابتدا خود سیستم مورد مطالعه تعریف شده و سپس به تعریف واژه ها پرداخته ایم.

پس از انجام تعاریف، عملکرد سیستم را اعم از طرح پیشنهادی و جمع آوری اطلاعات بررسی کرده و به سوالهای مطرح شده پاسخ داده ایم.

در بخش پایانی تحلیل نیز بهBusiness Entity، Supplementary Specification، بانک اطلاعاتی، Key Abstraction Diagram، Star Diagram ، Use Case Modelو Use Case Scenario پرداخته شده است.

 

فهرست مطالب:

پیشگفتار

مقدمه

تعریف کلی سیستم

واگن (WAGON)

ایستگاه (STATION)

مسیر (PATH)

بلیط (TICKET)

کارت خوان

مسافر (PASSENGER)

اپراتور (OPERATOR)

عملکرد سیستم ((VISION/SCOPE

روش اول

روش دوم

یک طرح پیشنهادی

علت نیاز به استفاده از کارت بلیط

کارت بلیط چیست؟

کارت بدون تماس (CONTACT LESS)

رمزنگاری مورد استفاده در کارت بدون تماس

تکنولوژی خواندن و نوشتن

POS ها

1) سنسور بلیط خوان

مراکز فروش

جمع آوری اطلاعات

جمع آوری اطلاعات دستگاهایPOS

الف) ارتباط POINT TO POINT توسط لیزدلاین

تجهیزات سایت مرکزی

پاسخگویی به سئوالات مطرح شده

Business Entity های تشکیل دهنده سیستم

Supplementary Specification (نیازمندی های فنی)

USABILITY

AVAILABILITY

PERFORMANCE

SUPPORTABILITY

بانک اطلاعاتی

جدول اطلاعات قطارها

واگن

راننده قطار

ساعات کاری راننده

مسیر

کارت بلیط

کاربر سیستم

حساب کاربری

Key Abstraction Diagram

Star diagram

Use case model

Use Case Scenario

منابع

فهرست اشکال

شکل1 ( کارت)

شکل2( نمای یک ایستگاه )

شکل3( شمای خروجیهای سالن ایستگاه)

شکل4(Business Entity های تشکیل دهنده سیستم)

شکل5 ( ادامه شکل 4)

شکل 6 ((Key Abstraction Diagram

شکل7( Star diagram)

شکل 8(Use case model)

فهرست جداول

جدول 1(اطلاعات قطارها )

جدول2(واگن)

جدول3(راننده قطار )

جدول4(ساعات کاری راننده)

جدول5 (مسیر)

جدول6(کارت بلیط)

جدول 7 (کاربر سیستم )

جدول8 (حساب کاربری)

 

منابع و مأخذ:

  1. Eeles p, Houston k and Kozaczynski W.

Building J2EE™ Applications with the Rational Unified Process, Addison Wesley Publications 2002

  1. پارسا س.

 تحلیل و طراحی سیستمها.

انتشارات دانشگاه علم و صنعت. چاپ هشتم، سال 1384

  1. جعفر نژاد قمی ع.

مهندسی نرم افزار.

انتشارات علوم رایانه. چاپ هفتم، 2005

  1. پرسمن، ترجمه سالخورده م.

 مهندسی نرم افزار.

انتشارات باغانی. چاپ دوم، 1384

  1. توانا م و شیجونی ع.

UML

انتشارات نقش سیمرغ. چاپ چهارم، 1385


دانلود با لینک مستقیم


پروژه بررسی و تحلیل سیستم قطار شهری به روش (J2EE). doc